能在数秒内生成气候友好型水泥配方的人工智能

水泥行业产生的二氧化碳排放量约占全球总量的百分之八——超过全球整个航空业的排放量。保罗谢勒研究所（PSI）的研究人员开发了一种基于人工智能的模型，有助于加速发现新的水泥配方，这些配方可在保持相同材料质量的同时，实现更优的碳足迹。

水泥厂的回转窑需加热至灼热的1400摄氏度，将磨碎的石灰石煅烧成熟料（即现成水泥的原材料）。不出所料，如此高温通常无法仅靠电力实现，而是通过高能耗的燃烧过程产生，该过程会释放大量二氧化碳（CO2）。然而，令人惊讶的是，燃烧过程产生的排放量不到总排放量的一半，占比远低于此。大部分排放蕴含在生产熟料和水泥所需的原材料中：高温窑炉转化过程中，石灰石中化学结合的CO2会被释放出来。

一种有前景的减排策略是调整水泥配方本身——用替代胶凝材料部分替代熟料。这正是PSI核工程与科学中心废物管理实验室跨学科团队的研究方向。研究人员摒弃了仅依赖耗时实验或复杂仿真的传统方法，开发了一种基于机器学习的建模方法。"这使我们能够模拟和优化水泥配方，使其在保持同等高水平力学性能的同时显著减少CO2排放，"该研究第一作者、数学家罗曼娜·博伊格解释道。"无需在实验室测试数千种变体，我们可通过模型在数秒内生成实用的配方建议——这就像拥有一本气候友好型水泥的数字化食谱。"

通过这种创新方法，研究人员能精准筛选出符合预期标准的水泥配方。"决定最终性能的材料组分可能性范围极其广阔，"该研究发起人及合著者、PSI传输机制研究组组长尼古拉斯·普拉西亚纳基斯指出。"我们的方法通过筛选有潜力的候选配方进行后续实验研究，显著加速了开发周期。"该研究成果已发表于期刊《材料与结构》。

精准配方

目前，工业生产副产品（如炼铁炉渣和燃煤电厂粉煤灰）已被用于部分替代水泥配方中的熟料，从而降低CO2排放。然而，全球水泥需求如此庞大，仅靠这些材料无法满足需求。"我们需要的是大量可得且能生产高质量可靠水泥的理想材料组合，"PSI水泥系统研究组组长、研究合著者约翰·普罗维斯强调。

寻找此类组合充满挑战："水泥本质上是矿物粘合剂——在混凝土中，我们利用水泥、水和砂石人工合成将整个材料粘结的矿物质，"普罗维斯阐释道。"可以说我们在加速进行地质反应。"这种地质反应（更准确地说，是其背后的物理过程集合）极为复杂，计算机建模需耗费巨大的计算资源和成本。因此研究团队转向依赖人工智能。

人工智能作为计算加速器

人工神经网络是利用现有数据训练、以加速复杂计算的计算机模型。训练过程中，网络通过已知数据集学习，调整内部连接的相对强度（即"权重"），从而快速可靠地预测类似关系。这种权重充当了快捷方式——替代了计算密集的物理建模。

PSI研究人员同样采用了此类神经网络。他们自主生成了训练所需数据："借助PSI开发的开源热力学建模软件GEMS，我们计算了不同水泥配方在硬化过程中形成的矿物质及发生的地球化学反应，"尼科劳斯·普拉西亚纳基斯解释。通过将这些结果与实验数据及力学模型结合，研究人员推导出力学性能的可靠指标——进而评估水泥材料质量。针对每种组分，他们还应用了对应的CO2因子（特定排放值）以确定总排放量。"这是项极其复杂且计算密集的建模工作，"该科学家表示。

但这项付出物有所值——基于此生成的数据，AI模型得以有效学习。"训练后的神经网络现可在毫秒级计算任意水泥配方的力学性能，比传统建模快约千倍，"博伊格阐明。

从输出到输入

如何利用此AI寻找最优水泥配方——实现最低CO2排放与高材料质量兼备？一种方法是尝试不同配方，通过AI模型计算其性能后筛选最佳方案。但更高效的策略是逆转该过程：不再穷举所有选项，而是反向设问——何种水泥组分能同时满足CO2平衡和材料质量的预期指标？

力学性能与CO2排放均直接取决于配方。"从数学角度看，两者均为成分的函数关系——成分变化将引发相应特性改变，"数学家阐述道。为确定最优配方，研究人员将问题转化为数学优化任务：寻找能同时最大化力学性能和最小化CO2排放的组分。"本质上我们是在求解极大值与极小值——由此可直接推导出目标配方，"数学家指出。

为求解该问题，团队在流程中整合了另一项AI技术——受自然选择启发的计算机辅助方法"遗传算法"。这使他们能精准锁定同时优化两个目标变量的配方。

此"逆向方法"的优势在于：无需盲目测试无数配方后再评估其性能，而是可直接针对特定需求（此处指最高力学性能与最低CO2排放）定向搜索匹配方案。

潜力巨大的跨学科方法

在研究人员确定的配方中，已存在若干有前景的候选方案。"部分配方具备真正潜力，"约翰·普罗维斯表示，"不仅体现在减碳效果与质量层面，更在于实际生产的可行性。"但为完成开发周期，这些配方需先经实验室验证。"我们不会未经测试就直接用于建造高塔，"尼科劳斯·普拉西亚纳基斯笑道。

该研究主要作为概念验证——即证明有潜力的配方可纯粹通过数学计算识别。"我们可按需扩展AI建模工具，整合其他维度，如原材料生产或可获得性，抑或建材应用场景（例如海洋环境中水泥混凝土性能差异，乃至沙漠环境），"罗曼娜·博伊格说明。尼古拉斯·普拉西亚纳基斯展望道："这仅是开端。此类通用工作流程带来的时间效益巨大——使其成为各类材料及系统设计中极具前景的解决方案。"

若缺乏研究人员的跨学科背景，该项目将无法实现："我们需要水泥化学家、热力学专家、AI专家——以及能整合所有领域的团队，"普拉西亚纳基斯强调。"此外，在SCENE项目框架下与EMPA等研究机构的重要交流也至关重要。"SCENE（瑞士净零排放卓越中心）是一项跨学科研究计划，旨在研发科学可靠的解决方案，大幅降低工业及能源供应领域的温室气体排放。本研究即在该项目支持下完成。